刁思勉 黃天侖 毛霆 王楠 鐘震宇 張?jiān)?周華民

特約論文

基于特征融合的小型透明注塑件缺陷檢測(cè)技術(shù)研究*

刁思勉1黃天侖2,3毛霆3王楠2鐘震宇2張?jiān)?周華民3

（1.深圳市燁嘉為技術(shù)有限公司，廣東 深圳 518000 2.廣東省科學(xué)院智能制造研究所/廣東省現(xiàn)代控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510070 3.華中科技大學(xué)材料科學(xué)與工程學(xué)院/材料成形與模具技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430074）

針對(duì)小型透明注塑件在成像過程中受成像質(zhì)量與產(chǎn)品尺寸的影響，導(dǎo)致透明注塑件產(chǎn)品的缺陷檢測(cè)準(zhǔn)確率與召回率低的問題，提出一種基于特征融合的小型透明注塑件缺陷檢測(cè)技術(shù)。首先，采用高清工業(yè)相機(jī)并搭配M5028-MPW2鏡頭對(duì)小型透明注塑件局部區(qū)域進(jìn)行成像，以彌補(bǔ)尺寸的影響從而保證成像質(zhì)量；然后，采用特征融合網(wǎng)絡(luò)將低層次的高分辨率特征圖下采樣、高層次的強(qiáng)語(yǔ)義信息特征圖上采樣變換到相同尺寸，并通過局部響應(yīng)歸一化技術(shù)進(jìn)行融合，從而提高缺陷區(qū)域的定位與識(shí)別精度；最后，利用特征共享的區(qū)域生成網(wǎng)絡(luò)與分類網(wǎng)絡(luò)實(shí)現(xiàn)缺陷位置的自動(dòng)定位與檢測(cè)。經(jīng)實(shí)驗(yàn)驗(yàn)證：該技術(shù)能準(zhǔn)確實(shí)現(xiàn)小型透明注塑件的缺陷檢測(cè)，在300個(gè)推薦區(qū)域與交并比為0.5的情形下，缺陷區(qū)域召回率為100%；缺陷類別識(shí)別平均準(zhǔn)確率為98.49%，具有較高的實(shí)用價(jià)值。

小型透明注塑件；缺陷定位與檢測(cè)；特征融合；特征共享

0　引言

注塑成形產(chǎn)品具有成形周期短、精度高、適應(yīng)性強(qiáng)等特點(diǎn)，廣泛應(yīng)用于汽車、航空航天、電子電氣等領(lǐng)域。注塑件缺陷檢測(cè)是實(shí)現(xiàn)注塑成形工業(yè)產(chǎn)業(yè)升級(jí)的重要技術(shù)環(huán)節(jié)。傳統(tǒng)依靠人工檢測(cè)的效率、精度與穩(wěn)定性都得不到保障，嚴(yán)重制約了注塑成形工業(yè)的自動(dòng)化與智能化水平。

目前，基于機(jī)器視覺的檢測(cè)技術(shù)已逐漸應(yīng)用于注塑件的缺陷檢測(cè)。如，針對(duì)具有較強(qiáng)紋理特征的注塑件，LIU等采用截?cái)嗥娈愔捣纸夂托〔ǚ纸饧夹g(shù)，實(shí)現(xiàn)注塑件的紋理特征提取，并建立外觀缺陷的檢測(cè)模型[1]；GAHLEITNER等利用數(shù)字圖像處理技術(shù)和條狀光源成像技術(shù)實(shí)現(xiàn)產(chǎn)品指定位置的紋理檢測(cè)[2]。針對(duì)具有縮痕缺陷的注塑件，GRUBER等建立產(chǎn)品縮痕強(qiáng)度與產(chǎn)品外觀圖像的二階微分之間的定量關(guān)系與模型，實(shí)現(xiàn)注塑件縮痕缺陷的自動(dòng)檢測(cè)[3]。針對(duì)透明注塑件的外觀檢測(cè)，SATORRES等結(jié)合定制的照明硬件系統(tǒng)與可配置組合的軟件模塊，實(shí)現(xiàn)前照燈透鏡的自動(dòng)檢測(cè)[4]。相關(guān)學(xué)者結(jié)合改進(jìn)的霍夫變換、輪廓擬合與亞像素處理等技術(shù)實(shí)現(xiàn)小型齒輪類注塑件的披鋒、缺齒與翹曲等缺陷的自動(dòng)檢測(cè)[5-6]；也有學(xué)者結(jié)合模板匹配與圖像分割技術(shù)，實(shí)現(xiàn)平板類注塑件的外觀缺陷檢測(cè)[7-8]。在注塑成形工業(yè)的模具保護(hù)方面，通過模板匹配、特征匹配與輪廓檢測(cè)等技術(shù)實(shí)現(xiàn)模內(nèi)異物或產(chǎn)品殘留的自動(dòng)檢測(cè)[9]。綜上所述，基于傳統(tǒng)機(jī)器視覺的檢測(cè)技術(shù)大多針對(duì)特性類型產(chǎn)品、特定外觀缺陷的檢測(cè)，模型可遷移性不強(qiáng)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的檢測(cè)技術(shù)已逐漸取代傳統(tǒng)的機(jī)器視覺檢測(cè)技術(shù)，并廣泛應(yīng)用于圖像分類[10]、檢測(cè)[11]與分割[12]等領(lǐng)域。

近年來，專家學(xué)者針對(duì)如何利用深度學(xué)習(xí)技術(shù)準(zhǔn)確識(shí)別注塑件缺陷進(jìn)行了大量研究，但針對(duì)小型透明注塑件缺陷檢測(cè)的文獻(xiàn)鮮有報(bào)道。為此，本文提出一種基于特征融合的小型透明注塑件缺陷檢測(cè)技術(shù)。首先，對(duì)小型透明注塑件進(jìn)行局部成像從而提高局部區(qū)域的圖像分辨率；其次，利用特征融合網(wǎng)絡(luò)將不同層次特征圖變換到同一尺寸，從而提高缺陷的定位精度與識(shí)別準(zhǔn)確率；最后，利用缺陷生成和分類網(wǎng)絡(luò)檢測(cè)頭對(duì)缺陷的位置和類型進(jìn)行自動(dòng)識(shí)別，提高了小型透明注塑件缺陷檢測(cè)的召回率與準(zhǔn)確率。

1　圖像獲取與數(shù)據(jù)集準(zhǔn)備

待檢測(cè)的小型透明注塑件來自實(shí)際生產(chǎn)中的案例，尺寸為8 mm×6 mm×2 mm。由于材料、工藝與設(shè)備狀態(tài)等參數(shù)的波動(dòng)，導(dǎo)致產(chǎn)品在注塑成形過程中容易出現(xiàn)毛絲（Hair）和黑點(diǎn)（Spot）2種常見的缺陷，如圖1所示。本文主要檢測(cè)這2種外觀缺陷。由于待檢測(cè)小型透明注塑件對(duì)成像質(zhì)量要求較高，本文采用高清工業(yè)相機(jī)acA3800-10gc并搭配M5028-MPW2鏡頭（分辨率為2 454×2 056）對(duì)小型透明注塑件局部區(qū)域進(jìn)行成像。為平衡檢測(cè)效率和檢測(cè)精度，將成像后的圖像統(tǒng)一縮放至800×640像素。

圖1 典型小型透明注塑件外觀圖像與缺陷

分別收集正常圖像100幅、含有毛絲和黑點(diǎn)缺陷的圖像各80幅，合計(jì)260幅。其中，毛絲和黑點(diǎn)缺陷出現(xiàn)次數(shù)分別為417次和384次，采用人工標(biāo)記的方式記錄每個(gè)缺陷的位置和類型；同時(shí)通過將圖像旋轉(zhuǎn)至不同角度（如30°、90°、180°等）和平移等方式對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)，從而獲得10倍于原始數(shù)據(jù)量的數(shù)據(jù)集，選取60%的數(shù)據(jù)作為訓(xùn)練集，剩余的40%作為測(cè)試集。

2 多維度特征融合

本文采用預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)作為特征提取主干網(wǎng)絡(luò)（移除網(wǎng)絡(luò)架構(gòu)最后3個(gè)全連接層），包含13個(gè)卷積層和4個(gè)池化層。傳統(tǒng)目標(biāo)檢測(cè)采用特征提取主干網(wǎng)絡(luò)最后的卷積層輸出特征作為區(qū)域生成網(wǎng)絡(luò)和檢測(cè)器的輸入，該特征圖的縮放因子為1/32，存在目標(biāo)定位精度不足的問題；而低層次的特征圖沒有經(jīng)歷卷積等非線性變換操作，其語(yǔ)義信息較弱，缺陷識(shí)別能力不高。因此，為利用高層次特征圖的強(qiáng)語(yǔ)義特性，對(duì)第五卷積組輸出的特征圖進(jìn)行上采樣，以增強(qiáng)其位置信息；為利用低層次特征圖的高分辨率特性，將第一卷積組輸出的特征圖進(jìn)行最大池化操作以增強(qiáng)其語(yǔ)義信息；將上述特征圖變換到與第三卷積組輸出的特征圖相同尺寸，并通過1個(gè)5×5的卷積操作增強(qiáng)特征的非線性表達(dá)能力，通過局部響應(yīng)歸一化技術(shù)將3組特征圖進(jìn)行融合，從而提高缺陷區(qū)域的定位精度。多維度特征融合網(wǎng)絡(luò)如圖2所示。

圖2 多維度特征融合網(wǎng)絡(luò)

3 缺陷區(qū)域自動(dòng)生成與檢測(cè)

首先，將小型透明注塑件外觀圖像輸入特征提取網(wǎng)絡(luò)并經(jīng)歷多維特征融合后，輸出1個(gè)××的特征圖；然后，利用具有個(gè)通道的3×3卷積模板對(duì)該特征圖進(jìn)行非線性變換，并將三維特征圖的形狀變換為(×) ×的二維特征圖；最后，在該二維特征圖后接入2個(gè)全連接層，用于缺陷區(qū)域的生成和粗定位。此外，為提高缺陷定位的精度，引入錨點(diǎn)（anchor）機(jī)制，以錨點(diǎn)為中心，通過生成個(gè)不同尺度和比例的矩形框來指定不同大小和長(zhǎng)寬比例的缺陷區(qū)域。因此，對(duì)于×大小的特征圖，最終將生成××個(gè)候選區(qū)域，缺陷區(qū)域生成網(wǎng)絡(luò)架構(gòu)如圖3所示。

圖3 缺陷區(qū)域生成網(wǎng)絡(luò)結(jié)構(gòu)示意圖

缺陷區(qū)域生成網(wǎng)絡(luò)的損失函數(shù)為

式中，(,,,)分別為預(yù)測(cè)候選區(qū)域錨點(diǎn)中心坐標(biāo)(,)、矩形區(qū)域的寬度()與高度()；(x, y, w, h)分別為真實(shí)候選區(qū)域錨點(diǎn)中心坐標(biāo)(x, y)、矩形區(qū)域的寬度(w)與高度(h)。

在訓(xùn)練階段，采用帶動(dòng)量的小批量隨機(jī)梯度下降法訓(xùn)練區(qū)域生成網(wǎng)絡(luò)模型，該模型每幅圖像輸出128個(gè)候選區(qū)域，送入后續(xù)區(qū)域檢測(cè)網(wǎng)絡(luò)進(jìn)行進(jìn)一步的分類與定位訓(xùn)練。其中，正負(fù)樣本比例保持為1∶1，若正樣本數(shù)量不足，則由負(fù)樣本補(bǔ)齊。正負(fù)樣本的設(shè)置規(guī)則如下：

1）如果候選區(qū)域與真實(shí)缺陷區(qū)域的交并比大于0.5，將該區(qū)域標(biāo)記為正樣本區(qū)域的樣本，否則標(biāo)記為負(fù)樣本；

2）如果多個(gè)候選區(qū)域與同一個(gè)真實(shí)缺陷區(qū)域的交并比大于0.5，則將交并比最大的那個(gè)候選區(qū)域設(shè)置為正樣本，其他設(shè)置為負(fù)樣本；

3）如果同一個(gè)候選區(qū)域與多個(gè)真實(shí)缺陷區(qū)域的交并比大于0.5，則取交并比最大的那個(gè)真實(shí)缺陷區(qū)域作為正樣本。

在測(cè)試階段，由于區(qū)域生成網(wǎng)絡(luò)模型輸出的候選區(qū)域沒有真實(shí)標(biāo)簽，因此直接輸出300個(gè)候選區(qū)域并送入?yún)^(qū)域檢測(cè)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。

利用感興趣區(qū)域（ROI）池化操作將缺陷區(qū)域生成網(wǎng)絡(luò)生成的候選區(qū)域池化為7×7的特征圖，并送入后續(xù)檢測(cè)器進(jìn)行最終缺陷區(qū)域的精確定位和識(shí)別。檢測(cè)器網(wǎng)絡(luò)結(jié)構(gòu)與缺陷區(qū)域生成網(wǎng)絡(luò)結(jié)構(gòu)類似，包含2個(gè)全連接層檢測(cè)頭，分別用于位置回歸和缺陷分類，缺陷檢測(cè)網(wǎng)絡(luò)總體結(jié)構(gòu)如圖4所示。

圖4 缺陷檢測(cè)網(wǎng)絡(luò)總體結(jié)構(gòu)示意圖

采用帶動(dòng)量的小批量隨機(jī)梯度下降法訓(xùn)練檢測(cè)器，檢測(cè)器的位置回歸誤差計(jì)算方式與式(1)相同；缺陷類型識(shí)別采用SoftMax函數(shù)：

本文采用四步法訓(xùn)練缺陷檢測(cè)網(wǎng)絡(luò)：1）單獨(dú)訓(xùn)練缺陷區(qū)域生成網(wǎng)絡(luò)；2）單獨(dú)訓(xùn)練檢測(cè)器；3）凍結(jié)第2）步中的特征提取主干網(wǎng)絡(luò)的模型參數(shù)，對(duì)缺陷區(qū)域生成網(wǎng)絡(luò)的模型參數(shù)進(jìn)行微調(diào)；4）凍結(jié)第3）步中的特征提取主干網(wǎng)絡(luò)的模型參數(shù)，對(duì)檢測(cè)器的模型參數(shù)進(jìn)行微調(diào)。

4　實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證本文所提方法對(duì)小型透明注塑件缺陷檢測(cè)的有效性，網(wǎng)絡(luò)訓(xùn)練的實(shí)驗(yàn)平臺(tái)硬件配置如下：10核Intel Xeon CPU E5-2630 v4 @ 2.20 GHz；64 GB內(nèi)存；2張Nvidia GeForce GTX 1080Ti顯卡。區(qū)域召回率與推薦數(shù)量、交并比之間的關(guān)系如圖5所示。圖5同時(shí)給出了傳統(tǒng)邊緣框（EB）、選擇性搜索（SS）、VGG、特征融合網(wǎng)絡(luò)（Hyper）的結(jié)果。

圖5 區(qū)域召回率與推薦數(shù)量、交并比之間的關(guān)系

由圖5(a)可知，當(dāng)推薦數(shù)量為50個(gè)且交并比為0.5時(shí)，傳統(tǒng)的EB方法或SS方法的召回率不足60%，而VGG與Hyper網(wǎng)絡(luò)的召回率均在80%以上，其中Hyper網(wǎng)絡(luò)的召回率更高；由圖5(b)可知，當(dāng)推薦數(shù)量為300個(gè)且交并比為0.5時(shí)，傳統(tǒng)的EB方法或SS方法的召回率不足80%，而VGG與特征融合網(wǎng)絡(luò)的召回率基本可達(dá)100%。此外，還發(fā)現(xiàn)特征融合網(wǎng)絡(luò)的召回率始終高于VGG網(wǎng)絡(luò)和傳統(tǒng)的EB方法、SS方法，證實(shí)了本文提出的特征融合網(wǎng)絡(luò)結(jié)構(gòu)的有效性。

在實(shí)時(shí)性方面，當(dāng)推薦區(qū)域數(shù)量為1 000個(gè)時(shí)，傳統(tǒng)EB方法、SS方法處理單幅圖像平均耗時(shí)約為 4 s，而VGG和特征融合網(wǎng)絡(luò)平均耗時(shí)分別為165 ms和190 ms。特征融合網(wǎng)絡(luò)處理單幅圖像處理速度是傳統(tǒng)EB方法、SS方法的4倍以上，這是因?yàn)樘卣魅诤暇W(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)略有增加，導(dǎo)致單幅圖像速度略慢于VGG網(wǎng)絡(luò)，但仍能滿足實(shí)時(shí)性檢測(cè)需求（≥5 s/幅）。VGG網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率如表1所示。

表1 VGG、特征融合網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率

由表1可知：當(dāng)推薦區(qū)域數(shù)量為1 000個(gè)、區(qū)域生成網(wǎng)絡(luò)與檢測(cè)器不共享特征提取主干網(wǎng)絡(luò)的模型參數(shù)時(shí)，相比VGG網(wǎng)絡(luò)，特征融合網(wǎng)絡(luò)對(duì)黑點(diǎn)、毛絲的識(shí)別準(zhǔn)確率和平均準(zhǔn)確率分別提高了3.34%、3.65%、3.50%；當(dāng)采用共享特征網(wǎng)絡(luò)參數(shù)時(shí)，特征融合網(wǎng)絡(luò)對(duì)黑點(diǎn)、毛絲的識(shí)別準(zhǔn)確率和平均準(zhǔn)確率分別提高了3.31%、3.59%、3.44%；當(dāng)推薦區(qū)域由1 000個(gè)降為300個(gè)時(shí)，平均準(zhǔn)確率可以達(dá)到98.49%，能夠滿足實(shí)際檢測(cè)需求。由以上結(jié)果可以看出，本文采用的特征融合方法能提高缺陷的識(shí)別準(zhǔn)確率與平均準(zhǔn)確率。

圖6給出了缺陷檢測(cè)結(jié)果，其中1表示黑點(diǎn)缺陷、2表示毛絲缺陷，1∶0.983表示出現(xiàn)黑點(diǎn)缺陷的概率為0.983；2∶0.837表示出現(xiàn)毛絲缺陷的概率為0.837。由圖6可知，本文所提方法能夠較好地檢測(cè)出黑點(diǎn)、毛絲等缺陷。

圖6 小型透明注塑件缺陷檢測(cè)結(jié)果圖

5　結(jié)語(yǔ)

為了識(shí)別小型透明注塑件缺陷，本文提出一種基于特征融合的缺陷檢測(cè)技術(shù)。首先，通過高清工業(yè)相機(jī)對(duì)小型透明注塑件進(jìn)行局部成像，并將圖像統(tǒng)一縮放至800×640像素，從而降低產(chǎn)品尺寸對(duì)成像質(zhì)量的影響；其次，通過將低層次的特征圖下采樣、高層次特征圖上采樣至同一尺寸大小，并通過局部響應(yīng)歸一化技術(shù)融合不同層次的特征圖，提高缺陷區(qū)域的定位和識(shí)別精度；最后，采用預(yù)訓(xùn)練的VGG模型作為特征提取主干網(wǎng)絡(luò)，通過缺陷區(qū)域生成網(wǎng)絡(luò)和檢測(cè)器實(shí)現(xiàn)缺陷區(qū)域的自動(dòng)定位與檢測(cè)。在300個(gè)推薦區(qū)域與交并比為0.5時(shí)，缺陷區(qū)域召回率100%；缺陷類別識(shí)別平均準(zhǔn)確率98.49%，具有較高的實(shí)用價(jià)值。

[1] LIU J J, MACGREGOR J F. Modeling and optimization of product appearance: application to injection-molded plastic panels[J]. Industrial & Engineering Chemistry Research, 2005, 44(13):4687-4696.

[2] GAHLEITNER R, NIEL K S, FRANK S. Optical measurement system for characterizing plastic surfaces[C].Image Processing: Machine Vision Applications. International Society for Optics and Photonics, 2008,6813:68130T.

[3] GRUBER D P, MACHER J, HABA D, et al. Measurement of the visual perceptibility of sink marks on injection molding parts by a new fast processing model[J]. Polymer Testing, 2014,33(3): 7-12.

[4] SATORRES MARTíNEZ S, GóMEZ ORTEGA J, GáMEZ GARCíA J, et al. An industrial vision system for surface quality inspection of transparent parts[J]. International Journal of Advanced Manufacturing Technology, 2013,68(5-8):1123-1136.

[5] 賀秋偉.基于計(jì)算機(jī)視覺的微小尺寸精密檢測(cè)理論與技術(shù)研究[D].長(zhǎng)春:吉林大學(xué),2007.

[6] 陳廉清,高立國(guó),王龍山.基于亞像素定位和虛擬圓掃描的齒輪在線檢測(cè)研究[J].光學(xué)技術(shù),2008,34(S1):123-125.

[7] 張王黎.基于機(jī)器視覺的塑料制品缺陷檢測(cè)算法研究[D]. 廣州:華南理工大學(xué), 2014.

[8] 楊威,毛霆,張?jiān)?等.注射制品表面缺陷在線檢測(cè)與自動(dòng)識(shí)別[J].模具工業(yè),2013,39(7):7-12.

[9] LEE J Y, BONG W, LEE S, et al. Development of the Vision System and Inspection Algorithms for Surface Defect on the Injection Molding Case[M].Advances in Computer Science and Ubiquitous Computing. Springer, Singapore, 2016:963-970.

[10] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016:770-778.

[11] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2016,39(6):1137-1149.

[12] HE K, GKIOXARI G, DOLLáR P, et al. Mask R-CNN[C]// Proceedings of the IEEE International Conference on Compu-ter Vision, 2017:2961-2969.

Research on Defect Detection Technology of Small Transparent Injection Molding Parts Based on Feature Fusion

Diao Simian1Huang Tianlun2,3Mao Ting3Wang Nan2Zhong Zhenyu2Zhang Yun3Zhou Huamin3

(1.Yejiawei Technology Co., Ltd. Shenzhen 518172, China 2. Institute of Intelligent Manufacturing, Guangdong Academy of Science/ Guangdong Key Laboratory of Modern Control Technology, Guangzhou 510070, China 3. School of Materials Science and Engineering, Huazhong University of Science and Technology/ State Key Laboratory of Material Processing and Die & Mold Technology, Wuhan 430074, China)

Aiming at the problem that the defect detection accuracy and recall rate of transparent injection molded parts are low due to the influence of imaging quality and product size in the imaging process of small transparent injection molded parts, a defect detection technology of small transparent injection molded parts based on feature fusion is proposed. Firstly, high-definition industrial camera and M5028-MPW2 lens are used to image the local area of small transparent injection molding parts to make up for the influence of size and ensure the imaging quality; Then, the feature fusion network is used to transform the down sampling of low-level high-resolution feature map and the up sampling of high-level strong semantic information feature map to the same size, and the local response normalization technology is used for fusion, so as to improve the positioning and recognition accuracy of defect area; Finally, the feature sharing region generation network and classification network are used to realize the automatic location and detection of defect location. The experimental results show that the technology can accurately detect the defects of small transparent injection molded parts. When the ratio of 300 recommended areas to intersection and merging is 0.5, the recall rate of defective areas is 100%; The average accuracy of defect classification is 98.49%, which has high practical value.

small injection molding parts; defect localization and recognition; feature fusion; feature sharing

廣東省重點(diǎn)領(lǐng)域研發(fā)計(jì)劃項(xiàng)目（2018B01010-8006）；廣東省科學(xué)院建設(shè)國(guó)內(nèi)一流研究機(jī)構(gòu)行動(dòng)專項(xiàng)資金項(xiàng)目（2021GDASYL-20210103091）。

刁思勉，男，1971年生，博士，工程師，主要研究方向：產(chǎn)品缺陷檢測(cè)技術(shù)。

黃天侖（通信作者），男，1991年生，博士，主要研究方向：機(jī)器視覺、深度學(xué)習(xí)。E-mail: tl.huang@giim.ac.cn

毛霆，男，1989年生，博士，主要研究方向：人工智能，機(jī)器視覺。

王楠，女，1989年生，碩士，主要研究方向：安全檢測(cè)技術(shù)。

鐘震宇，男，1971年生，博士，研究員，主要研究方向：深度學(xué)習(xí)。

張?jiān)?，男?981年生，博士，教授，主要研究方向：注塑成形工藝、智能制造。

周華民，男，1974年生，博士，教授，主要研究方向：智能成形工藝與裝備、聚合物加工。

S225

A

1674-2605(2021)06-0001-06

10.3969/j.issn.1674-2605.2021.06.001